[发明专利]一种基于深度学习的遥感图像目标检测方法

摘要

本发明涉及一种基于深度学习的遥感图像目标检测方法，包括：利用遥感图像构建相关数据集：对遥感图像进行分类和标注后，图像数据集及经过标记工作生成的类别标签；搭建基于生成对抗网络的全色锐化模型；搭建基于深度卷积神经网络的目标检测模型，通过反向传播和随机梯度下降等方法对模型进行端到端训练；对构建好的模型进行端到端测试。本发明具有准确性高的优点。

主权项

1.一种基于深度学习的遥感图像目标检测方法，包括下列步骤：1)利用遥感图像构建相关数据集：对遥感图像进行分类和标注后，图像数据集及经过标记工作生成的类别标签，并划分训练集和测试集，用于后续的网络训练和测试；2)搭建基于生成对抗网络的全色锐化模型：GAN的生成网络G是可以学习从随机噪声向量z和1中所述数据集中的图像x，到生成的样本图像y的映射，即G：{x,z}→y，生成模型采取增加了跳转连接的U‑Net结构，分为编码层和解码层两部分，每编码一层，特征图长和宽减半，特征层数增加一半，每解码一层，特征图的长和宽加倍，特征层数增加加倍，和对应的编码层，通过通道串接，然后进行反卷积处理；基于用于分类的卷积神经网络CNN，设计判别网络模型，该网络被设计为含有一个串接层和四层卷积层；3)搭建基于深度卷积神经网络的目标检测模型：按照目标检测算法的候选区域生成，特征提取，分类，位置精修的四个步骤，将上述步骤统一到一个深度网络框架之内，在GPU内并行运算，特征提取以残差网络ResNet作为基础分类网络，其中包含若干卷积层和线性单元ReLU，设计区域生成网络结构，在提取好的特征图上，对所有可能的候选框进行判别，通过共享卷积，减少计算建议框的边际成本，通过反向传播和随机梯度下降方法对模型进行端到端训练；4)对构建好的模型进行端到端测试：基于步骤1中构建好的数据集，训练目标检测模型并测试模型。